Asset pricing with Lévy jump processes
Notice bibliographique
Résumé
This thesis comprises of three essays that explore the theoretical development as well as the empirical applications of asset pricing models with Lévy jump processes. The first essay presents a new discrete-time framework that combines heteroskedastic processes with rich specifications of jumps in returns and volatility. Our models can be estimated with ease using standard maximum likelihood techniques. We evaluate the models by fitting a long sample of S&P500 index returns, and by valuing a large sample of options. We find strong empirical support for time-varying jump intensities. A model with jump intensity that is affine in the conditional variance performs particularly well both in return fitting and option valuation. In the second essay, we develop a new class of asset pricing model that combines the flexibility of Lévy processes with the ease of implementation of affine GARCH dynamics. This framework produces a large class of asset return processes that have analytical solutions for their pricing transform, and lead to a simple valuation of derivatives. We apply this newly proposed framework to various two-factor models consisting of a normal and a pure jump Lévy component. The results from joint estimation of options and returns on the market index reveal the important economic role of jumps. We find that models without jumps cannot reconcile the difference between market-realized returns and investors' ex-ante expectations of returns with an economically justifiable equity premium level. In the third essay, we provide evidence that the market crash risk is priced in individual equity options. We proceed by developing a factor model for equity returns and option pricing that takes into account the market's systematic risk factors, namely the market volatility and jump risks. The probability of large negative jumps in the market return produces the "crash fear" effect. In addition to the market risk factors, we
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».